Inteligencia Artificial: Machine Learning, para Detección Temprana de Plagas y Enfermedades de Cultivos Básicos, Nicaragua
Barra lateral del artículo
Contenido principal del artículo
Resumen
El presente artículo, muestra aspectos relevantes del proceso de desarrollo de la aplicación móvil que incorpora técnicas de Machine Learning para detectar de forma temprana plagas y enfermedades en cultivos de granos básicos como maíz, frijol y sorgo, estos son indispensables para el consumo humano en Nicaragua. Se utilizó metodología de desarrollo ágil Scrum, se adoptaron tecnologías como Android Studio, lenguaje de programación Java, Google Teachable Machine para entrenamiento del modelo de aprendizaje automático y TensorFlow Lite para incorporar modelo en la aplicación móvil. Los resultados muestran un Sprint con sus historias de usuarios, estas se convirtieron en funcionalidades que incluyen el modelo para el reconocimiento de imágenes con precisión de 95.8% utilizando un conjunto de datos de 252 imágenes de cultivos sanos y enfermos. La metodología indica organización de la programación según patrón Modelo – Vista – Controlador y métricas utilizadas por el modelo. Las conclusiones hacen énfasis en detalles de los resultados obtenidos en Sprint#1. Al final, también se mencionan retos a superar al aplicar aprendizaje automático en el sector agrícola.
Descargas
Métricas
Detalles del artículo
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
Citas
O. F. C. Martinez, «Situación del cultivo de maíz en Guatemala: principales limitaciones en la productividad», ACI Av. En Cienc. E Ing., vol. 14, n.o 1, Art. n.o 1, abr. 2022, doi: 10.18272/aci.v14i1.2596.
N. C. Eli-Chukwu, «Applications of Artificial Intelligence in Agriculture: A Review», Eng. Technol. Appl. Sci. Res., vol. 9, n.o 4, Art. n.o 4, ago. 2019, doi: 10.48084/etasr.2756.
FAO, «La FAO acoge con satisfacción la decisión de conmemorar cada año el Día Internacional de la Sanidad Vegetal el 12 de mayo», Newsroom. Accedido: 20 de octubre de 2024. [En línea]. Disponible en: https://acortar.link/uiuR5M
R. R. Hernández, «La Agricultura de Precisión. Una necesidad actual», Ing. Agríc., vol. 11, n.o 1, Art. n.o 1, 2021, Accedido: 7 de julio de 2024. [En línea]. Disponible en: https://www.redalyc.org/articulo.oa?id=586269368010
F. Nihar, N. N. Khanom, S. S. Hassan, y A. K. Das, «Plant Disease Detection through the Implementation of Diversified and Modified Neural Network Algorithms», J. Eng. Adv., vol. 2, n.o 01, pp. 48-57, mar. 2021, doi: 10.38032/jea.2021.01.007.
O. López Gorozabel, R. Malla Valdiviezo, G. Morejón López, y M. León Bravo, «Sistema de detección de plagas en los cultivos», 593 Digit. Publ. CEIT, vol. 9, n.o 1, pp. 128-137, 2024, Accedido: 10 de julio de 2024. [En línea]. Disponible en: https://dialnet.unirioja.es/servlet/articulo?codigo=9262986
B. Paneru, B. Paneru, y K. B. Shah, «Analysis of Convolutional Neural Network-based Image Classifications: A Multi-Featured Application for Rice Leaf Disease Prediction and Recommendations for Farmers», 17 de septiembre de 2024, arXiv: arXiv:2410.01827. doi: 10.48550/arXiv.2410.01827.
A. Flores, «INTA presenta nuevas variedades de sorgo rojo de alta calidad industrial», El 19 Digital. Accedido: 25 de junio de 2023. [En línea]. Disponible en: https://bit.ly/3rB7iB5
Hernández-Sampieri, Roberto y Mendoza Torres, Christian Paulina, Metodología de la Investigación: las rutas cuantitativa, cualitativa y mixta. México: McGRAW-HILL, 2018.
«Android Studio», Android Developers. Accedido: 26 de junio de 2023. [En línea]. Disponible en: https://acortar.link/JMuOhb
J. Sánchez Allende, Java 2: iniciación y referencia. McGraw-Hill España, 2005. Accedido: 7 de julio de 2024. [En línea]. Disponible en: https://elibro.net/es/ereader/unanmanagua/50290?page=20
J. Torres, Python Deep Learning: Introducción práctica con Keras y TensorFlow 2. Alpha Editorial, 2020.
Google, «Teachable Machine». Accedido: 8 de junio de 2023. [En línea]. Disponible en: https://teachablemachine.withgoogle.com/
Google, «TensorFlow Lite», TensorFlow. Accedido: 7 de julio de 2024. [En línea]. Disponible en: https://www.tensorflow.org/lite/guide?hl=es-419
Google Cloud, «Bases de datos de Google Cloud», Google Cloud. Accedido: 10 de junio de 2023. [En línea]. Disponible en: https://acortar.link/dyoTk5
M. Carney et al., «Teachable Machine: Approachable Web-Based Tool for Exploring Machine Learning Classification», en Extended Abstracts of the 2020 CHI Conference on Human Factors in Computing Systems, en CHI EA ’20. New York, NY, USA: Association for Computing Machinery, abr. 2020, pp. 1-8. doi: 10.1145/3334480.3382839.
D. Agustian, P. P. G. P. Pertama, P. N. Crisnapati, y P. D. Novayanti, «Implementation of Machine Learning Using Google’s Teachable Machine Based on Android», en 2021 3rd International Conference on Cybernetics and Intelligent System (ICORIS), oct. 2021, pp. 1-7. doi: 10.1109/ICORIS52787.2021.9649528.
«Umbrales y matriz de confusión | Machine Learning | Google for Developers». Accedido: 27 de octubre de 2024. [En línea]. Disponible en: https://acortar.link/UBPrcS
K. S. & J. Sutherland, «La Guía Definitiva de Scrum: Las Reglas del Juego», nov. 2020, Accedido: 25 de junio de 2023. [En línea]. Disponible en: https://repositorio.uvm.edu.ve/handle/123456789/59
J. M. V. Gertrudix, Java 17 Programación Avanzada. Ra-Ma Editorial, 2022.
D. S. Menchaca, «Calidad en la especificación de requerimientos de software aplicado en metodologías ágiles», INF-FCPN-PGI Rev. PGI, pp. 61-64, nov. 2021, Accedido: 25 de junio de 2023. [En línea]. Disponible en: https://ojs.umsa.bo/ojs/index.php/inf_fcpn_pgi/article/view/49
R. Herranz, Despegar con Scrum. Lulu.com, 2016. [En línea]. Disponible en: https://acortar.link/ZqhItg
E. A. U. Malahina, R. P. Hadjon, y F. Y. Bisilisin, «Teachable Machine: Real-Time Attendance of Students Based on Open Source System», IJICS Int. J. Inform. Comput. Sci., vol. 6, n.o 3, Art. n.o 3, nov. 2022, doi: 10.30865/ijics.v6i3.4928.
Google, «Glosario sobre aprendizaje automático | Machine Learning | Google for Developers». Accedido: 27 de octubre de 2024. [En línea]. Disponible en: https://acortar.link/saYFPI
«Marco de Trabajo para Seleccionar un Patrón Arquitectónico en el Desarrollo de Software». Accedido: 1 de julio de 2024. [En línea]. Disponible en: https://dspace.tdea.edu.co/handle/tdea/2670
Jiang Huixian, «The Analysis of Plants Image Recognition Based on Deep Learning and Artificial Neural Network | IEEE Journals & Magazine | IEEE Xplore», vol. 8. Accedido: 9 de octubre de 2024. [En línea]. Disponible en: https://ieeexplore.ieee.org/document/9062591/similar#similar
M. Caviedes-Cepeda, F. Carvajal-Larenas, y J. L. Zambrano-Mendoza, «Generación de tecnologías para el cultivo de maíz (Zea mays. L) en el Ecuador», ACI Av. En Cienc. E Ing., vol. 14, n.o 1, Art. n.o 1, abr. 2022, doi: 10.18272/aci.v14i1.2588.
Tecnológico Nacional, «Manual Granos Básicos opt.pdf». Accedido: 9 de julio de 2024. [En línea]. Disponible en: https://www.tecnacional.edu.ni/media/Manual_Granos_B%C3%A1sicos_opt.pdf